СИ @simulative_official
Showing posts older than #2670 · Back to latest
This post (sticker, poll or similar) has no web preview. Open in Telegram
1️⃣ Перестройка мышления
Самое сложное — начать видеть за метриками бизнес, а не просто числа в таблице.
Студент научился считать метрики, видит, что CR просел на 5%, но не может объяснить, что это значит для бизнеса, какие гипотезы проверить и что с этим делать. Именно этот переход от технического к бизнес-мышлению даётся далеко не сразу.
2️⃣ SQL и мышление таблицами
В жизни любого аналитика рано или поздно появляются JOIN’ы, и в чате появляется знакомое сообщение: «Я всё понял… пока не попробовал объединить таблицы».
И проблема тут не в синтаксисе, а в умении мысленно держать структуру данных — понимать, как строки соединяются, какие ключи пересекаются и почему количество строк вдруг увеличилось в два раза или появились дубли. Это то самое «табличное мышление», которое приходит только с практикой.
3️⃣ Понимание данных перед анализом
Часто студенты сразу набрасываются на данные, не разобравшись, как вообще они устроены: какие есть пограничные случаи (corner cases), пропуски, странные значения, какая логика формирования витрин данных и т. п.
Например, берут таблицу заказов, считают выручку — и получают очень красивую сумму. А потом оказывается, что в выборку попали и отменённые заказы. Аналитик должен уметь останавливаться и сначала понять данные, прежде чем их крутить.
4️⃣ Оптимальный код
Когда объём данных становится чуть больше, чем игрушечный, выясняется, что неоптимальный код — это не просто некрасиво, а больно.
Кто-то пишет подзапросы в подзапросах, и бывает, что до последнего не агрегируют данные или, делая аналитику за последние 30 дней, тянут данные на всю глубину таблицы. Потом всё это крутится минутами, а иногда и падает.
Именно здесь приходит понимание, зачем смотреть план выполнения запросов, для чего нужны оконные функции, индексы и как важен чистый, читаемый и оптимальный код.
Главный совет, который я сам долго не слышал — не стремись знать всё. Стремись понимать, как устроено. Знать 50 функций бесполезно. Понимать, почему запрос медленный, как данные хранятся, когда обновляются, что происходит при транзакции — это даёт свободу.
✅ Всё ещё жду вас на своём тренинге «Продвинутый SQL», где вы научитесь писать SQL, который работает быстро даже на больших объёмах данных. Вы прокачаетесь в системном мышлении и начнёте думать на языке данных: видеть связи, строить логику анализа и предлагать решения, которые экономят время всей команды.
⚡️ 15 октября на вебинаре соберём пошаговый план перехода в профессию ML-инженера. Я расскажу, какие навыки и технологии будет полезно освоить людям из других направлений, а также покажу, как перейти от теории к решению проблем бизнеса.
SQL — это навык, который сегодня нужен почти всем, кто хоть немного работает с цифрами. Без него не обойтись ни аналитикам, ни маркетологам, ни продактам: 87% вакансий в аналитике требуют знания SQL. А специалисты, которые умеют быстро извлекать и анализировать данные, зарабатывают в среднем на 30-50% больше.
Всё обучение — онлайн и бесплатно. Доступ открывается сразу после регистрации.
ORDER BY:
💬 Обязательно ждем вас в лайве — вы сможете напрямую задать свои вопросы Кристине Желтовой и выстроить личный план перехода в профессию ML-инженера!
❓ Так какой же путь выбрать новичку? Идеальная траектория — осваивать инструменты поэтапно: начните с Excel, чтобы понять основы, затем уверенно овладейте SQL, чтобы самостоятельно доставать любую информацию. И уже после этого переходите к Python для углублённой аналитики и автоматизации. Такая последовательность создаст самый прочный фундамент для вашей карьеры.
До 22 октября можно записаться на поток с Георгием по самым ранним ценам — со скидкой 25%!
Опрос займёт около 20 минут. Все участники получат ранний доступ к результатам и приглашение на закрытый эфир с инсайтами исследования 😱
This post (sticker, poll or similar) has no web preview. Open in Telegram
SELECT
category,
SUM(amount) AS total_revenue
FROM
orders
WHERE
order_date >= '2024-03-01'
AND order_date < '2024-04-01'
AND is_returned = FALSE
GROUP BY
category
ORDER BY
total_revenue DESC;
SELECT
category,
SUM(amount) AS total_revenue
FROM
orders
WHERE
order_date >= '2024-03-01'
AND order_date < '2024-04-01'
GROUP BY
category
HAVING
is_returned = FALSE
ORDER BY
total_revenue DESC;
SELECT
category,
SUM(amount) AS total_revenue
FROM
orders
WHERE
EXTRACT(MONTH FROM order_date) = 3
AND is_returned IS DISTINCT FROM TRUE
GROUP BY
category
ORDER BY
total_revenue DESC;
Помните свой первый проект в ML? У меня это было аж десять лет назад — ещё в колледже, когда я пыталась создать модель для кластеризации музыки, чтобы находить похожие, но не полностью идентичные аудиозаписи (не как в Shazam! 😅).
Приглашаю вас присоединиться и начать путь в машинном обучении без боли и страхов, под руководством опытного ментора 🧡
Интернет-магазин продаёт смартфоны, ноутбуки и аксессуары. Все заказы хранятся в одной таблице (orders). Менеджер хочет понять, какие товары приносят больше всего выручки и как обстоят дела с возвратами и даёт поручение аналитику.
Таблица orders
order_id SERIAL PRIMARY KEY,
customer_id INTEGER,
product_name TEXT,
category TEXT CHECK (category IN ('smartphone', 'laptop', 'accessories')),
order_date DATE,
amount NUMERIC(10,2),
is_returned BOOLEAN
❓ Найдите общую сумму невозвращённых заказов (is_returned = FALSE) за март 2024 года по каждой категории.
➖ Выведите category и total_revenue (сумма amount).
➖ Отсортируйте по убыванию выручки.
Какой из запросов, написанных аналитиком, верен?
SELECT
category,
SUM(amount) AS total_revenue
FROM
orders
WHERE
order_date >= '2024-03-01'
AND order_date < '2024-04-01'
AND is_returned = FALSE
GROUP BY
category
ORDER BY
total_revenue DESC;
SELECT
category,
SUM(amount) AS total_revenue
FROM
orders
WHERE
order_date >= '2024-03-01'
AND order_date < '2024-04-01'
GROUP BY
category
HAVING
is_returned = FALSE
ORDER BY
total_revenue DESC;
SELECT
category,
SUM(amount) AS total_revenue
FROM
orders
WHERE
EXTRACT(MONTH FROM order_date) = 3
AND is_returned IS DISTINCT FROM TRUE
GROUP BY
category
ORDER BY
total_revenue DESC;
Успевайте — уже в эту пятницу стартует новый поток! Залететь в него можно со скидкой 25% ✨
from clickhouse_driver import Client # библиотека для работы с Clickhouse
from env import YANDEX_TOKEN, CLICKHOUSE_HOST, CLICKHOUSE_USER, CLICKHOUSE_PASSWORD
client = Client( # создаем подключение
host=CLICKHOUSE_HOST,
port=9000,
user=CLICKHOUSE_USER,
password=CLICKHOUSE_PASSWORD
)
query = "SELECT * FROM datamart.data_table"
result = client.execute(query) # исполняем SQL-запрос
Словом, SQL это база, а Python — это серьёзная работа. Каким языком чаще пользуетесь вы и для каких задач?
♾ Подключайтесь к прямому эфиру, чтобы задать Вугару вопросы по SQL, бизнес-кейсу и инструментам визуализации. Получите готовый мини-проект для своего портфолио!